論文の概要: iMINDBench: iEEG Multi-Institution Neural Decoding Benchmark

• arxiv url: http://arxiv.org/abs/2609.18104v1
• Date: Wed, 16 Sep 2026 04:13:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:53.630931
• Title: iMINDBench: iEEG Multi-Institution Neural Decoding Benchmark
• Title（参考訳）: iMINDBench: iEEG Multi-Institution Neural Decoding Benchmark
• Abstract要約: 頭蓋内脳波(iEEG)は、ヒト脳内の電極から直接電気活動を記録するために広く用いられている。 iEEG Multi-Institution Neural Decoding Benchmark である iMINDBench を紹介する。 iMINDBenchを用いて、評価された事前学習システムは、各前処理トラックのベースラインを上回っていることがわかった。
• 参考スコア（独自算出の注目度）: 18.034558667657695
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Intracranial electroencephalography (iEEG) is widely used to record electrical activity directly from electrodes inside the human brain, making it an attractive modality for neural decoding. However, progress in iEEG decoding, especially toward general-purpose foundation models, remains difficult to measure reliably: datasets are task- or institution-specific, limiting evidence of generalization across tasks and recording environments, and preprocessing choices can strongly influence performance, making model improvements difficult to distinguish from preprocessing gains. Thus, we introduce iMINDBench, an iEEG Multi-Institution Neural Decoding Benchmark that evaluates models on a shared suite of fifteen decoding tasks across three naturalistic movie-watching datasets. The benchmark additionally defines standardized preprocessing tracks and fixed evaluation splits to support consistent model comparisons. Using iMINDBench, we find that the evaluated pretrained systems generally outperform baselines within their respective preprocessing tracks, while strong spectral baselines remain competitive across institutional datasets. In our scaling study, adding up to 25 times more supervised data from other subjects or institutions yields only small or task-dependent gains over within-session training. Together, these findings highlight the need for iEEG models that improve on strong preprocessing baselines and make more effective use of data across subjects and institutions. Project website: https://imindbench.github.io/
• Abstract（参考訳）: 頭蓋内脳波法(iEEG)は、ヒト脳内の電極から直接電気活動を記録するために広く用いられており、神経復号の魅力的なモダリティとなっている。 しかし、iEEGデコーディングの進歩、特に汎用基盤モデルへの進歩は、データセットがタスクや機関固有のものであり、タスクや記録環境における一般化の証拠を制限し、前処理の選択がパフォーマンスに強く影響し、前処理の利得と区別するのが困難である。 そこで我々は,iEEG Multi-Institution Neural Decoding BenchmarkであるiMINDBenchを紹介した。 ベンチマークでは、一貫性のあるモデル比較をサポートするために、標準化された前処理トラックと固定評価スプリットも定義している。 iMINDBenchを用いて、評価された事前学習システムは、一般的に、各前処理トラックにおけるベースラインよりも優れており、一方、強いスペクトルベースラインは、機関のデータセット間で競争力を維持している。 スケールスタディでは、他の被験者や機関の25倍の教師付きデータを追加すると、セッション内トレーニングよりも小規模またはタスク依存的な利得しか得られません。 これらの知見は、強力な前処理ベースラインを改善し、被験者や機関にまたがるデータをより効果的に活用するiEEGモデルの必要性を強調している。 プロジェクトウェブサイト:https://imindbench.github.io/

関連論文リスト

• OmniEEG-Bench: A Standardized Evaluation Benchmark for EEG Foundation Models [22.964421663748755]
  我々は,脳波基礎モデル(FM)のための統一ベンチマークとダウンストリームタスクロードマップであるOmniEEG-Benchを紹介する。 脳波FMの評価を、(i)信号信頼性、(ii)生体計測と疾患、(iii)意識と状態、(iv)認知と感情、(v)自然主義的刺激復号、(vi)運動と相互作用の6つのタスクファミリーに分類する。 代表的なEEGファンデーションモデル10をベンチマークし、さまざまな評価設定をカバーするリーダーボードを報告します。
  論文  参考訳（メタデータ） (2026-05-30T17:20:04Z)
• A Multi-dimensional Framework for Evaluating Generalization in EEG Foundation Models [48.385356148620815]
  最近のEEGファンデーションモデルは、タスクとデータセット間で有望な転送機能を示している。 低リソース環境下での脳波モデル評価のための多次元評価フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-27T14:51:54Z)
• NeuralBench: A Unifying Framework to Benchmark NeuroAI Models [26.76633418447614]
  我々は,脳活動のAIモデルをベンチマークする統合フレームワークであるNeuralBenchを紹介する。 このフレームワークには、36の脳波(EEG)タスクと14のディープラーニングアーキテクチャを含む、大規模なEEGベンチマークであるNeuralBench-EEG v1.0があります。 我々はコミュニティに、このオープンソースフレームワークを拡張し、ニューロイメージングモデルのための統一されたベンチマーク標準に向けて協力するよう呼びかけます。
  論文  参考訳（メタデータ） (2026-05-08T21:19:57Z)
• EEG Foundation Models: Progresses, Benchmarking, and Open Problems [10.447009984769819]
  我々は、50の代表的なEEG基盤モデルをレビューし、その設計選択を統合された分類学的枠組みにまとめる。 9つのBCIパラダイムにまたがる13のEEGデータセットに対して、12のオープンソースファンデーションモデルと、競合するスペシャリストベースラインを評価します。
  論文  参考訳（メタデータ） (2026-01-25T15:28:50Z)
• Analysis of Transferability Estimation Metrics for Surgical Phase Recognition [3.3285108719932555]
  微調整された事前学習モデルは現代の機械学習の基盤となり、限られたラベル付きデータで実践者がハイパフォーマンスを達成できるようになった。 専門的アノテーションが特に時間がかかり費用がかかる外科的ビデオ解析では、下流タスクに最適な事前学習モデルを特定することが重要かつ困難である。 我々は,2つの多様なデータセット上で,LogME,H-Score,TransRateの3つの代表的な指標の総合ベンチマークを行った。
  論文  参考訳（メタデータ） (2025-08-22T18:05:33Z)
• Convolutional Monge Mapping Normalization for learning on sleep data [63.22081662149488]
  我々は、CMMN(Convolutional Monge Mapping Normalization)と呼ばれる新しい手法を提案する。 CMMNは、そのパワースペクトル密度(PSD)をトレーニングデータに基づいて推定されるワッサーシュタインバリセンタに適応させるために、信号をフィルタリングする。 睡眠脳波データに関する数値実験により、CMMNはニューラルネットワークアーキテクチャから独立して、顕著で一貫したパフォーマンス向上をもたらすことが示された。
  論文  参考訳（メタデータ） (2023-05-30T08:24:01Z)
• Pre-training via Denoising for Molecular Property Prediction [53.409242538744444]
  本稿では,3次元分子構造の大規模データセットを平衡に利用した事前学習手法について述べる。 近年のノイズレギュラー化の進展に触発されて, 事前学習の目的は, 雑音の除去に基づくものである。
  論文  参考訳（メタデータ） (2022-05-31T22:28:34Z)
• BENDR: using transformers and a contrastive self-supervised learning task to learn from massive amounts of EEG data [15.71234837305808]
  言語モデリング(LM)の手法とアーキテクチャを脳波モデリング(EM)に適用する方法を検討する。 1つの事前学習モデルが、異なるハードウェアで記録された全く新しい生の脳波シーケンスをモデル化できることがわかった。 このモデルの内部表現とアーキテクチャ全体は、さまざまな下流のBCIおよびEEG分類タスクに微調整することができる。
  論文  参考訳（メタデータ） (2021-01-28T14:54:01Z)
• Few-Shot Named Entity Recognition: A Comprehensive Study [92.40991050806544]
  マルチショット設定のモデル一般化能力を向上させるための3つの手法を検討する。 ラベル付きデータの比率の異なる10の公開nerデータセットについて経験的比較を行う。 マルチショットとトレーニングフリーの両方の設定で最新の結果を作成します。
  論文  参考訳（メタデータ） (2020-12-29T23:43:16Z)
• DAGA: Data Augmentation with a Generation Approach for Low-resource Tagging Tasks [88.62288327934499]
  線形化ラベル付き文に基づいて訓練された言語モデルを用いた新しい拡張手法を提案する。 本手法は, 教師付き設定と半教師付き設定の両方に適用可能である。
  論文  参考訳（メタデータ） (2020-11-03T07:49:15Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。